23年量化交易热门论文汇总，看量化交易的最新研究进展！

在金融市场中，传统的交易方式因人的主观判断和经验限制，难以保证持续的稳定性和高效性。科技的飞速发展催生了量化交易，这种新型的交易方式凭借其高效性、稳定性和强大的风险控制能力，正引领金融领域进入新的时代。

近年来，量化交易也成了热门话题，吸引众多投资者和研究人员的关注，学术界和业界对量化交易的研究不断深入，成果和技术突破层出不穷。今天就给大家整理了一些23年量化交易领域的热门论文，涵盖了量化交易的各个方面，一起看看量化交易的最新研究动态和技术进展吧！

1、BloombergGPT: A Large Language Model for Finance

BloombergGPT：金融的大型语言模型

简述：本文提出了BloombergGPT，一个针对金融领域的大型语言模型，拥有5000亿参数，并基于3630亿个金融数据令牌和3450亿个通用数据令牌进行训练。BloombergGPT在金融任务上的表现显著优于现有模型，同时在通用任务上也保持高性能。文中还详细介绍了模型的选择、训练和评估方法，并发布了训练经验。

2、Financial Time Series Forecasting using CNN and Transformer

使用 CNN 和 Transformer 进行金融时间序列预测

简述：本文提出了一种结合卷积神经网络（CNN）和Transformer的方法来预测股票价格，利用CNN捕捉短期依赖关系和Transformer学习长期依赖关系。实验证明，这种方法在预测标准普尔500指数成分股的日内股价变化方面优于传统的统计和深度学习方法。

3、ChatGPT Informed Graph Neural Network for Stock Movement Prediction

用于股票走势预测的 ChatGPT 知情图神经网络

简述：本文提出了一个框架，结合ChatGPT的图推理能力来增强图神经网络（GNN），用于从文本数据中提取并整合不断变化的网络结构，用于预测任务。在股票走势预测的实验中，该模型超越了最先进的深度学习基准。基于该模型构建的投资组合显示出更高的累积回报、降低的波动性和减少的最大回撤。

4、FinGPT: Open-Source Financial Large Language Models

FinGPT：开源金融大型语言模型

简述：本文提出了用于金融领域的开源大型语言模型FinGPT，它采用数据为中心的方法，提供可访问和透明的资源，帮助研究人员和从业者开发金融领域的语言模型。在构建过程中，我们强调了自动数据管理管道和轻量级低秩适应技术的重要性。此外，FinGPT还具有广泛的应用前景，如机器人建议、算法交易和低代码开发等。

5、Mastering Stock Markets with Efficient Mixture of Diversified Trading Expert

通过多元化交易专家的高效组合掌握股票市场

简述：本文提出了AlphaMix，一种新的三阶段专家组合（MoE）框架，用于量化投资，模仿成功交易公司的自下而上的分层交易策略。第一阶段采用高效的集成学习方法培训交易专家，第二阶段利用神经网络的超参数和初始化多样性收集投资建议，第三阶段设计机制动态挑选专家构建投资组合。AlphaMix在美国和中国股市实验中明显优于许多最先进基线。

6、Generating Synergistic Formulaic Alpha Collections via Reinforcement Learning

通过强化学习生成协同公式化 Alpha 集合

简述：本文提出来一种新的alpha因子挖掘框架，该框架利用强化学习来优化alpha生成器，以挖掘一组协同作用的alpha因子。通过将组合模型的性能贡献作为强化学习过程中的回报，该框架能够探索广泛的公式化alpha搜索空间，并找到改进当前集合的alpha。实验评估表明，该框架在股票趋势预测方面有效且高效，投资模拟结果也显示了比以前方法更高的回报。

7、DoubleAdapt: A Meta-learning Approach to Incremental Learning for Stock Trend Forecasting

DoubleAdapt：一种用于股票趋势预测的增量学习的元学习方法

简述：本文提出了一个端到端的框架DoubleAdapt，它包含两个适配器，用于自动调整数据和模型以减轻分布变化的影响。该框架自动学习如何将股票数据调整为局部固定分布，并自信地调整模型参数以缓解分布偏移。通过将每个增量学习任务转换为元学习任务，DoubleAdapt优化适配器以实现所需的数据适配和参数初始化。在真实股票数据集上的实验显示，DoubleAdapt实现了最先进的预测性能，并显示出高效率。

8、Online Ensemble of Models for OptimalPredictive Performance with Applications toSector Rotation Strategy

在线模型集成以实现最佳预测性能，并应用于行业轮换策略

简述：本文提出了了一种在线集成算法，该算法通过分析单个模型的最新预测性能来持续优化预测性能，特别适用于时间序列问题和滚动窗口回测程序。该算法推导了最优增益函数和样本外R平方度值，以及算法的最优学习率。实验表明，新的集成方法在提供行业风险溢价测量方面优于单个机器学习模型及其简单平均值，并允许对不同部门进行绩效归因。基于该算法的行业轮动策略在市场表现上显著优于市场，并显示出稳健性，特别是在COVID-19大流行期间的动荡经济中。

9、Can ChatGPT Forecast Stock PriceMovements? Return Predictability andLarge Language Models

ChatGPT可以预测股价走势吗？返回可预测性和大型语言模型

简述：本文探讨了大型语言模型，特别是ChatGPT，在评估新闻标题对股市回报的影响方面的潜力。实验显示，ChatGPT能够预测股市回报，且其性能优于传统情感分析方法。研究人员发现，小型和有负面新闻的股票回报的可预测性更强，这可能意味着市场对这些信息的反应不足，基于ChatGPT-4的多空策略表现最佳。

10、Learning to Learn Financial Networks for Optimising Momentum Strategies

学习学习金融网络以优化动量策略

简述：本文提出了一个端到端的机器学习框架L2GMOM，用于同时学习金融网络并优化网络动量策略的交易信号。L2GMOM是一个高度可解释的神经网络，其架构由算法展开衍生而来，该模型非常灵活，可以使用不同的损失函数进行训练，以实现投资组合的表现目标，如负夏普比率。对64份连续期货合约的回溯测试表明，使用L2GMOM的投资组合在盈利能力和风险控制方面显著改善，20年的夏普比率为1.74。

11、DeRisk: An Effective Deep Learning Framework for Credit Risk Prediction over Real-World Financial Data

DeRisk：一种有效的深度学习框架，用于对真实世界的金融数据进行信用风险预测

简述：本文提出了DeRisk，一种有效的深度学习风险预测框架，用于对真实世界的金融数据进行信用风险预测。DeRisk是第一个深度风险预测模型，其性能优于研究人员公司生产系统中部署的统计学习方法。研究人员还对自己的方法进行了广泛的消融研究，以提出 DeRisk 经验成功的最关键因素。

12、Towards Generalizable Reinforcement Learning for Trade Execution

面向交易执行的可泛化强化学习

简述：本文研究了优化交易执行中的过拟合问题，提出了一种离线基于上下文的强化学习（ORDC）模型，其中上下文表示离线收集的市场变量。研究发现过拟合问题主要由于上下文空间大和样本有限引起。为解决此问题，建议利用先验知识或学习上下文的紧凑表示。通过设计一个基于历史限价订单簿数据的模拟器，并在其上进行实验，证明了所提出算法能有效缓解过拟合并提升性能。

13、Deep Inception Networks: A General End-to-End Framework for Multi-asset Quantitative Strategies

Deep Inception Networks：多资产量化策略的一般端到端框架

简述：本文提出了深度初始网络（DIN），一个端到端的深度学习模型，它直接从价格回报中提取特征，适用于系统交易策略。DIN避免了手工特征制作，同时通过数据驱动的方法减少过拟合。研究人员引入了一种新的损失函数，旨在平衡交易量和系统性风险。实验显示，DIN在期货交易中超越了传统模型，对交易成本稳定，且结果可重现。

码字不易，欢迎大家点赞评论收藏！

关注下方《享享学AI》

回复【量化交易论文】获取完整论文

👇